基于MIC的支持向量回归及其在化工过程中的应用

在化工生产中,软测量方法可以有效解决某些关键变量由于仪表故障而无法实时获取数据的问题。在建立软测量模型时,变量及回归方法的选取会直接影响模型的准确率。特别是在现代化工中,过程变量众多且变量间存在着冗余且复杂的非线性关系。对此,本文提出了一种基于最大信息系数的支持向量回归算法,利用最大信息系数在非线性相关性度量的优势,选择合适的辅助变量,避免了全部变量作为输入所造成的数据冗余。在此基础上,利用支持向量回归方法建立软测量模型,实现对软测量目标的预测。该方法被应用于存在仪表故障的某催化重整装置进料换热器热端压降的软测量中,结果表明该方法可以有效地实现对压降的软测量,实现了对仪表故障时的数据校正。     

变量加权型主元分析算法及其在故障检测中的应用

传统主成分分析（PCA）算法旨在挖掘训练数据各变量间的相关性特征,已在数据驱动的故障检测领域得到了广泛的研究与应用。然而,传统PCA方法在建模过程中通常认为各个测量变量的重要性是一致的,因此不能有效而全面地描述出变量间相关性的差异。为此,提出一种变量加权型PCA（VWPCA）算法并将之应用于故障检测。首先,通过对训练数据进行加权处理,使处理后的数据能够充分体现出变量间相关性的差异。然后,在此基础上建立分布式的PCA故障检测模型。在线实施故障检测时,则通过贝叶斯准则将多组监测结果融合为一组概率指标。VWPCA方法通过相关性大小为各变量赋予不同的权值,从而将相关性差异考虑进了PCA的建模过程中,相应模型对训练数据特征的描述也就更全面。最后,通过在TE过程上的测试验证VWPCA方法用于故障检测的优越性。     

变量加权型主元分析算法及其在故障检测中的应用

传统主成分分析(PCA)算法旨在挖掘训练数据各变量间的相关性特征,已在数据驱动的故障检测领域得到了广泛的研究与应用。然而,传统PCA方法在建模过程中通常认为各个测量变量的重要性是一致的,因此不能有效而全面地描述出变量间相关性的差异。为此,提出一种变量加权型PCA(VWPCA)算法并将之应用于故障检测。首先,通过对训练数据进行加权处理,使处理后的数据能够充分体现出变量间相关性的差异。然后,在此基础上建立分布式的PCA故障检测模型。在线实施故障检测时,则通过贝叶斯准则将多组监测结果融合为一组概率指标。VWPCA方法通过相关性大小为各变量赋予不同的权值,从而将相关性差异考虑进了PCA的建模过程中,相应模型对训练数据特征的描述也就更全面。最后,通过在TE过程上的测试验证VWPCA方法用于故障检测的优越性。     

基于最大信息系数和深度残差图卷积的工业过程故障诊断方法

针对工业数据非线性、时变性、时空特征耦合的特点，提出一种基于最大信息系数和残差图卷积网络的工业过程故障诊断算法(MIC-RGCN)。引入最大信息系数(MIC)挖掘变量之间的相关关系，将高维变量之间的相关信息转换为空间距离信息，构建相关性矩阵作为图卷积层的邻接矩阵输入；构建改进的深度残差图卷积网络(GCN)模型对数据的时空特征进行深度融合提取并精准分类。在田纳西-伊斯曼过程和三相流过程数据集上将该算法与4种典型机器学习和深度学习算法进行对比测试。实验结果表明，该算法有效地提升了故障诊断的准确率。     

基于互信息和MPCA的单基药塑化过程监测方法

针对现阶段单基药塑化过程缺乏可靠的渐变式故障检测和异常工况的报警及评价能力等问题,同时传统数据驱动方法难以处理过程中包含的多种线性与非线性关系混合特征,又无法突出变量间耦合相关性的差异,提出一种基于归一化互信息的多向主成分分析故障检测方法。该方法通过归一化互信息刻画过程中多维变量间的复杂耦合关系,并以此对不同维度变量之间的相关性特征进行权值修正,得到体现每个变量与其他维度变量之间耦合作用关系的数据集,并分别建立与其相应的监测模型。最后再利用贝叶斯推理将不同模型的监测结果融合成一组概率指标实现过程监测。实验结果表明了所提方法的有效性,可实现塑化过程多种故障的快速检测和异常工况的监测预警。     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析（PCA）算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析(PCA)算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

基于潜变量自回归算法的化工过程动态监测方法

从建立潜变量自回归(AR)模型的角度出发,提出了一种基于潜变量自回归(LVAR)算法的化工过程动态建模与监测方法,旨在提取动态潜变量的同时给出各潜变量的AR模型。LVAR算法在最小化潜变量的AR模型残差的约束下,通过同时搜寻投影变换向量与AR系数向量,实现了对动态潜变量的特征提取及其AR模型的建立。此外,LVAR算法通过先提取动态潜变量后提取静态成分信息的方式,有效地区分了采样数据中的自相关性与交叉相关性。在对比实验中,通过比较分析LVAR方法与其他三种典型的动态过程监测方法在经典化工过程对象上的故障监测结果,验证了LVAR方法在动态过程监测上的优越性与可靠性。关键词:主成分分析;故障检测;缺失数据;过程系统     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限，忽略了高维空间中超球体的不规则性，导致基于该方法的过程监测精度不高。针对上述问题，提出了一种基于核相似度支持向量数据描述的间歇过程监测方法，将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重，利用该相似度对不同时刻的支持向量球心距加权求和，得到待监测间歇过程数据样本的动态控制限，通过判断待监测样本的球心距是否超过其动态控制限，实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性，以及间歇过程数据待监测样本的时变性，提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA（VGDTW-CVA）的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法，该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量，然后通过观测值扩展对筛选后的新数据构建增广矩阵，并对矩阵使用核主元分析提取变量数据的非线性空间相关特征，最后通过监测T ²和SPE 两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明，该方法能对风力发电机故障进行有效监测和诊断，与KPCA方法相比，改进的动态核主元分析方法对微小故障更为敏感。     

基于动态单类随机森林的非线性过程监控方法

针对高维化工过程中存在的非线性和动态特性，提出了一种基于动态单类随机森林（dynamic one-class random forest，DOCRF（的过程监控方法。对正常运行状态下的过程数据进行稀疏性分析，根据其反分布产生离群点数据。利用典型变量分析对正常数据进行相关性分析，分别将正常数据和离群点数据投影到典型变量空间，利用典型变量空间数据训练单类随机森林。基于单类随机森林模型根据待检测样本与正常数据的相似度构造监控统计量进行故障检测。在Tennessee Eastman过程的仿真结果表明，所提DOCRF方法总体优于单类支持向量机方法。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA (VGDTW-CVA)的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

基于密度权重支持向量数据描述的冷水机组故障检测

虚警率（FAR）是评价冷水机组故障检测性能的关键指标，用户无法接受过高的FAR。为了降低支持向量数据描述（SVDD）在冷水机组故障检测时的FAR，将密度权重集成到SVDD中，提出了一种基于密度权重支持向量数据描述（DW-SVDD）的冷水机组故障检测方法，该方法考虑了样本数据在真实空间中的密度分布情况。使用ASHRAE RP-1043冷水机组实验数据对提出的方法进行验证，并将检测结果与传统SVDD的冷水机组故障检测方法进行比较。结果表明，提出的方法将FAR从10.5%降低到7%，同比下降超过了30%，同时对4个劣化等级下的7种典型冷水机组故障有着优良的检测性能。     

基于动态多核相关向量机的软测量建模研究

针对污水处理过程中存在的多变量耦合、强非线性以及参数时变等问题，提出基于多核学习相关向量机的软测量建模方法，并采用粒子群算法对多核权重以及核参数进行优化。同时，引入时间差分(time difference)方法改进多核相关向量机的动态特性。为了验证所提模型的有效性，通过一仿真案例与单核相关向量机、多层前馈神经网络和基于遗传算法的支持向量机进行对比研究。结果表明，所提模型具有更好的预测效果。最后，对模型的鲁棒性在数据漂移和异常的场景下进行了讨论。     

污水处理厂出水水质变量区间预测建模

为了实现污水处理厂的有效运行，需要建立能够精确描述水厂行为的模型。根据水厂入水和出水数据，采用径向基函数神经网络建立污水处理过程模型。考虑到建模误差有界，使用参数线性集员辨识算法分别得到隐含层到输出层各神经元连接权值向量的不确定集合描述。与现有的单输出区间预测模型相比，该模型能够根据水厂入水数据同时给出多个出水水质变量的置信区间。这些区间能表征出水变量的存在范围，从而实现水质变量的可靠估计，进而评估出水水质或水厂性能。此外，还将此出水区间预测模型用于污水处理厂的故障检测与隔离，以提高水厂运行的可靠性。实验结果表明文中所提方法的有效性。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题，提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间，对数据进行时延重构；然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标，并结合基于关联性的特征选择算法(CFS)进行输入变量筛选；最后基于时延重构和变量筛选后的数据，采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明，经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度，优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型，平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。     

基于改进支持向量机的化学镀Ni-P/ZrO2复合镀层显微硬度预测模型的建立

选取对化学镀Ni-P/ZrO_2复合镀层的显微硬度具有代表性的影响因素作为输入变量,以正交试验获得的有限试验数据为样本,先建立基于传统支持向量机的预测模型,再采用遗传算法对传统支持向量机中的惩罚因子与核函数参数进行优化,最终建立基于改进支持向量机的预测模型。通过遗传算法进化迭代,提高改进支持向量机模型的预测精度。选取神经网络模型和传统支持向量机模型作为对比模型。结果表明:改进支持向量机模型的预测精度较高,可以利用该模型对化学镀Ni-P/ZrO_2复合镀层的显微硬度进行预测。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题，提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征，其输出作为KECA分类器的输入，实现故障的实时监测与自动诊断。首先，改进的MSPCA算法通过将小波多尺度分析与主元分析相结合，筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征，获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性，提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量，使降维后不同特征信息之间呈现显著的角度差异，易于分类。最后，采用支持向量数据描述（SVDD）算法确定新统计量的控制限，以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究，验证了MSPCA-KECA方法的可行性及有效性。